大多数公司都努力吸引客户，而一旦赢得了客户，就希望留住他们。因此，“客户留存活动”应运而生——这类计划通过奖励、推荐和优惠，促使我们继续光顾这些公司。从表面上看，这种策略完全合情合理。
沃顿商学院市场营销学教授 Raghuram Iyengar、布宜诺斯艾利斯IAE商学院的Martin Schleicher以及哥伦比亚商学院的Eva Ascarza深入研究了这些营销策略在何时、为何以及对哪些人有效。他们的论文《使用套餐推荐主动防止客户流失的风险》提出了一个违反直觉的结论：这些活动的结果往往恰恰与预期相反。
在这篇Knowledge@Wharton访谈中，Iyengar解释了他们的发现，以及为什么“留存”比人们想象的复杂得多。
以下是经过编辑的访谈记录。
不要提醒客户他们还有其他选择：
这项研究具体考察的是客户留存活动的效果。许多公司都会针对消费者开展留存活动。它们希望留住这些消费者，因此可能会提供奖励：例如，下次购买时可以省钱，也可能给你减免10美元。这类活动十分常见，许多公司认为它们有效。但它们真的有效吗？
我们有机会与一家正在尝试开展此类留存活动的手机公司合作。对我们来说，很有价值的一点是，这构成了一项现场实验：随机选出的一组客户参加了留存活动。这是一项定价套餐活动。另一组客户则没有接受任何活动。参加留存活动的客户实际上流失得多得多，甚至多得惊人。这对公司来说相当糟糕。
从总体上看，留存活动有效吗？实际上，大规模开展时，它们可能并不奏效。我们的发现更为细致： 这些活动有效，但只对目标对象有效。Twitter 因此，[公司应当]开展留存活动，但要有针对性。
要点：
首先，许多公司开始考虑开展这类活动时，通常会采用面向大众的营销活动——给每一位客户都发送一份留存优惠。为什么？因为这样做很容易。它们不用费太多心思，给所有人都发一份就行。
[然而，]有时候，向人们发送活动信息，反而会让他们开始质疑自己的行为。例如，在这家手机公司的案例中，他们发送了一项留存活动——基本上是查看用户的使用模式，并告诉他们：“看，可能还有更适合你的其他套餐”——这让客户开始怀疑自己是否得到了优惠。如果现在的套餐确实划算，为什么不去别处看看呢？
这说明，留存活动往往必须有针对性。要仔细考虑客户群中哪些人可能会离开。不要大规模一概而论；应当有针对性地开展。
令人意外的结论：
表面上看，大多数人都认为留存活动有效。让我给你一些具体数据。
在我们针对一家电信服务商的一批客户所做的研究中，我们监测了他们在活动开展前的三个月和活动结束后的三个月的行为。我们发现，[在]参加留存活动的客户中，两个月后有10%离开了服务；相比之下，没有开展任何活动的对照组中，离开的比例为6%。
因此，4%的流失率高得惊人……我们发现，平均而言，很难找到留存活动有效的证据；但要找到它对哪些人有效的证据，却很容易。有许多客户群体具有某些特征——公司很容易观察到这些特征——而这类活动对他们有效。
令人意外的是，平均而言这些活动并不起作用。我认为，对许多公司来说，这会让他们豁然开朗，因为他们应该认真思考：“我们应该如何定制留存活动？”
公司应如何针对客户开展活动：
我认为这很有意思。说到定制，如今有一个很大的优势——特别是对许多以数据驱动决策的公司而言——就是它们掌握了大量客户信息。例如，在移动电话领域，公司通常会收集过去的消费信息。在我们的案例中，我们掌握了过去三个月收集的信息：超额使用量是多少？人们使用的通话分钟数超过套餐分钟数多少？我们还掌握了他们使用情况的波动程度。某个月他们用了100分钟吗？另一个月是否突然用了200分钟或500分钟？
这些都是你可以在自己的客户群中观察到的模式。我们多次发现，根据这些可观察到的模式对客户数据进行细分，可能是定制活动的一种好方法。
让我举一个具体例子。在我们的案例中，我们发现，有些人使用量很大，远远超过套餐分钟数；有些客户的使用量波动很大；还有些客户的使用量随时间呈负向趋势——越来越少。这些人都更可能离开。对其中许多客户开展留存活动，实际上反而让他们更有可能离开。
有时候，最好还是别去惊动已经安稳的人。
公司在数据使用上的误区：
我认为，如今正在发生的一件有意思的事是，尤其是考虑到大数据、分析等领域，公司正在迅速进行试验。许多公司都经常开展A/B测试。
我们在这里发现，仅仅进行A/B测试还不够。正确分析数据同样重要。让我举一个具体例子。在我们的A/B测试中，一组人收到了推荐，另一组人没有收到任何推荐。与对照组相比，收到并接受推荐的人流失率较低。人们可能会因此认为留存活动奏效了。但重要的是要记住，客户是自行决定是否接受活动的。因此，这里存在自我选择。
对于接触到活动却决定不接受的人，他们的流失率实际上高得多。仅仅是接触到活动这一事实，就改变了他们的行为。因此，公司进行A/B测试时，必须仔细考虑哪些因素是随机分配的，哪些是消费者自行选择的。忽略这一点，可能会让公司误以为某些活动取得了成功，实际上却并非如此。我们认为，A/B测试将在数据分析领域迅速普及。但再次强调，开展A/B测试很容易——更重要得多的是正确分析和解读结果。
排除“自我选择”的影响：
许多人研究过定价套餐，以及客户如何在不同套餐之间作出选择。其中许多选择都是消费者自行决定的。因此，从公司的角度来说，如果它们想考察提供定价套餐会带来什么因果影响，事先很难做到，因为其中涉及消费者自我选择的因素。
我们如何解决这个问题？说服公司开展现场实验——这是因果解释的黄金标准。最终，我们开展了一项现场实验：同样，一些人获得了定价套餐推荐，另一些人则没有获得任何推荐。这使我们能够作出因果解释；仅凭许多研究者使用的二手数据，很难做到这一点。
下一步——让推荐发挥更好的作用：
我想继续深入研究定价套餐和推荐这一领域。我们曾与德克萨斯州奥斯汀的一家公司合作，该公司开始研究能源消耗和智能电表这一整体概念。我们如何让人们明白，用电时适用的是不同的电价和不同的阶梯档位？我们正在尝试开展一项现场实验：让这些信息对消费者更加醒目，并观察他们如何随着时间和每天的变化调整能源消耗，具体取决于他们当前的用电量。
本文与 Knowledge@Wharton合作发表。本文的发表并不意味着世界经济论坛认可其中观点。
如需及时了解议程动态， 请订阅我们的每周通讯。
作者：Raghuram Iyengar是沃顿商学院市场营销学教授。
图片：柏林购物中心开业当晚，人们步行经过柏林购物中心。路透社/Thomas Peter
